图像分割方法、电子设备和计算机可读存储介质与流程

1.本技术实施例涉及图像处理技术领域，特别涉及一种图像分割方法、电子设备和计算机可读存储介质。


背景技术：

2.衍射光学元件（diffractiveopticalelement，简称：doe）是一种基于光学衍射原理，采用集成电路制造工艺在光学器件上刻蚀微观结构，用于对光束进行分束或整形的光学元件，doe的重量较小、结构紧凑、制造价格低廉、便于集成，这使其在材料加工、医疗、投影结构光等领域得到了广泛的应用。
3.在与结构光投影相关的应用中，doe的使用非常普遍，比如基于散斑结构光的深度相机等都集成了doe，而在结构光投影的具体实现中，投影出的点数或图案较为复杂，而且在角度较大的方向上，通常会出现较为严重的畸变，因此为了保证投影设备的质量，技术人员在投影设备出厂检测或自检过程中都需要检测doe所投影出的结构光的各衍射级次图案的质量是否良好，进行这些检测时需要先对doe所投影出的图像进行衍射级次分割。
4.然而，投影设备生产厂商在对doe所投影出的图像进行衍射级次分割时，往往是固定图像区域，然后取图像中某个区域的投影图案进行分析，这需要精密的工装配合，对doe投影成像角度、安装位置要求严格，即便相机的内部结构有轻微的变动，都会影响到分割结果，进而影响检测结果，整个过程鲁棒性较差。


技术实现要素：

5.本技术实施例的目的在于提供一种图像分割方法、电子设备和计算机可读存储介质，无需精密的工装配合即可准确、快速地对doe投影图像进行衍射级次分割，从而为投影设备的产品质量管控提供科学的数据参考。
6.为解决上述技术问题，本技术的实施例提供了一种图像分割方法，包括以下步骤：根据第一图像、预设的中心衍射级次的图案和预设的图像匹配算法，确定目标图案；其中，所述第一图像为待分割的投影图像，所述目标图案为所述第一图像的中心衍射级次的图案；按照预设的衍射级次个数对所述目标图案进行拓展，得到第二图像；其中，所述第二图像为无畸变且已知衍射级次的分割结果的投影图像；在所述第二图像中确定第二关键点，并在所述第一图像中确定与所述第二关键点对应的第一关键点；根据所述第二关键点的坐标和所述第一关键点的坐标构建畸变模型；根据所述第二图像的分割结果和所述畸变模型，对所述第一图像进行衍射级次分割。
7.本技术的实施例还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的图像分割方法。
8.本技术的实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计
算机程序被处理器执行时实现上述的图像分割方法。
9.本技术实施例提供的图像分割方法、电子设备和计算机可读存储介质，根据待分割的投影图像即第一图像、预设的中心衍射级次的图案和预设的图像匹配算法，确定出第一图像的中心衍射级次的图案并作为目标图案，按照预设的衍射级次个数对目标图案进行拓展，得到无畸变且已知衍射级次分割结果的投影图像即第二图像，随后在第二图像中确定第二关键点，并在第一图像中确定与第二关键点对应的第一关键点，再根据第二关键点的坐标和第一关键点的坐标构建畸变模型，最后根据第二图像的衍射级次的分割结果和构建的畸变模型，对第一图像进行衍射级次分割，相较于固定投影图像区域，然后取图像中某个区域的投影图案进行分析的技术方案而言，本技术的实施例不需要精密的工装配合，无需严格规定投影设备的doe的投影成像角度和安装位置，只需在待分割的投影图像中找到中心衍射级次的图案，用待分割的投影图像的中心衍射级次的图案拓展出无畸变的投影图像，拓展出的图像的衍射级次的分割是已知的，服务器根据待分割的投影图像和拓展出的投影图像确定出畸变关系，对拓展出的图像的衍射级次的分割进行畸变，即可准确、快速地对doe投影图像进行衍射级次分割，从而为投影设备的产品质量管控提供科学的数据参考。
10.另外，所述第一关键点为n个，所述第二关键点为n个，所述n为大于1的整数，所述根据所述第二关键点的坐标和所述第一关键点的坐标构建畸变模型，包括：依次将各所述第二关键点作为目标第二关键点，根据预设的m个未知参数、所述目标第二关键点的坐标、以及与所述目标第二关键点对应的第一关键点的坐标，构建方程；其中，m为小于n的整数；联立构建的n个方程，组成超定方程组；使用最小二乘法求解所述超定方程组中的m个未知参数，得到畸变模型，考虑到待分割的投影图像在各个方向上均存在一定的畸变，但畸变规律通常是相同的，因此，确定第二图像上的第二关键点与第一图像上的第一关键点之间的畸变关系，即可在一定程度上代表两张图的畸变关系，本技术的实施例选定n个关键点，使用m个参数来拟合畸变关系，并要求n大于m，即构建超定方程组，求最小二乘解，这样求解出的参数构成的畸变模型可以更准确、科学、合理地表征第一图像较第二图像的畸变程度。
11.另外，所述第二图像为矩形，所述第二关键点包括第二角点和第二中点，所述第二角点为所述第二图像的四个顶点，所述第二中点为所述第二图像的四条边的中点，所述在所述第一图像中确定与所述第二关键点对应的第一关键点，包括：对所述第一图像进行边缘检测，确定所述第一图像的边缘位置；搜索所述边缘位置中左上点、左下点、右上点和右下点，得到与各所述第二角点分别对应的各第一角点；以所述第一图像的中心为基准做水平线和铅直线，确定所述水平线与所述边缘位置的交点和所述铅直线与所述边缘位置的交点，得到与各所述第二中点分别对应的各第一中点，按照畸变规律，角点的畸变较大，而中点畸变实际比较小，因此本技术选定八个关键点，即四个角点和四个中点，基于四个角点和四个中点确定出的畸变模型更加科学、准确。
12.另外，所述对所述第一图像进行边缘检测，确定所述第一图像的边缘位置，包括：对所述第一图像进行连续化处理，得到连续化的第一图像；其中，所述连续化处理包括以下任意之一或任意组合：高斯模糊、形态学腐蚀和形态学膨胀；根据预设的边缘提取算子，对所述连续化的第一图像进行边缘检测，确定所述连续化的第一图像的边缘位置，待分割的投影图像的边缘可能会存在毛边、不平整的现象，直接进行边缘检测，确定出的边缘位置不够准确，本技术的实施例先对第一图像进行高斯模糊、形态学腐蚀、形态学膨胀等连续化处
理，使得第一图像变得平整、光滑，再对连续化的第一图像进行边缘检测，从而确定出更加准确的边缘位置。
13.另外，所述根据所述第二图像的分割结果和所述畸变模型，对所述第一图像进行衍射级次分割，包括：依次将所述第二图像的衍射级次作为目标衍射级次，确定所述目标衍射级次的图案的各边缘点的坐标；将所述目标衍射级次的图案的各边缘点的坐标输入至所述畸变模型，得到第一图像上的所述目标衍射级次的各分割点的坐标；其中，所述各分割点为所述目标衍射级次的图案的各边缘点在所述第一图像中对应的点；根据所述各分割点的坐标对所述第一图像进行衍射级次分割，得到所述第一图像的所述目标衍射级次的图案，考虑到衍射级次的图案内部的点即使发生畸变也不会超出畸变后的边缘，因此只需要确定衍射级次的图案的边缘点畸变后的坐标，即可在第一图像中确定出该衍射级次对应的区域，这大大提升了衍射级次分割的精度和效率。
14.另外，所述预设的图像匹配算法为相位相关算法，所述根据第一图像、预设的中心衍射级次的图案和预设的图像匹配算法，确定目标图案，包括：基于预设的中心衍射级次的图案在所述第一图像中进行旋转匹配，确定目标图案；根据所述目标图案和所述预设的中心衍射级次的图案确定旋转角度，考虑到待分割的投影图像不仅会出现畸变，其在角度上也会出现一定的偏移，相位相关算法不仅在水平竖直方向上进行图像匹配，还可以自动增加角度进行旋转匹配，从而在第一图像中找出匹配度最高的图案作为目标图案，这样确定出的目标图案更加符合实际情况，即确定出的第一图像的中心衍射级次的图案更加准确。
附图说明
15.一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。
16.图1是根据本技术的一个实施例的图像分割方法的流程图；图2是根据本技术的一个实施例中提供的一种图像匹配的示意图；图3是根据本技术的一个实施例中提供的又一种图像匹配的示意图；图4是根据本技术的一个实施例中提供的一种第二图像的示意图；图5是根据本技术的一个实施例中，根据第二关键点的坐标和第一关键点的坐标构建畸变模型的流程图；图6是根据本技术的一个实施例中，在第一图像中确定与第二关键点对应的第一关键点的流程图；图7是根据本技术的一个实施例中提供的一种第二角点、第一角点、第二中点和第一中点的分布示意图；图8是根据本技术的一个实施例中提供的又一种第二角点、第一角点、第二中点和第一中点的分布示意图；图9是根据本技术的一个实施例中，根据第二图像的分割结果和畸变模型，对第一图像进行衍射级次分割的流程图；图10是根据本技术的另一个实施例的图像分割系统的示意图；图11是根据本技术的另一个实施例的电子设备的结构示意图。
具体实施方式
17.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本技术的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本技术各实施例中，为了使读者更好地理解本技术而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本技术所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本技术的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
18.本技术的一个实施例涉及一种图像分割方法，应用于电子设备，其中，电子设备可以为终端或服务器，本实施例以及以下各个实施例中电子设备以服务器为例进行说明，下面对本实施例的图像分割方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。
19.本实施例的图像分割方法的具体流程可以如图1所示，包括：步骤101，根据第一图像、预设的中心衍射级次的图案和预设的图像匹配算法，确定目标图案。
20.具体而言，第一图像即待分割的投影图像，待分割的投影图像是由需要进行测试的投影设备的doe投影出的图像，服务器将该图像作为第一图像，对第一图像进行衍射级次分割。
21.在一个例子中，技术人员可以将需要进行测试的投影设备调整到设备的工作距离（或合适的doe的成像距离），将doe衍射出的光学图案投影到预设平面上，并用相机拍摄该投影图像，得到待分割的投影图像，其中，预设平面可以是反射率好且成像清晰的白色平面。
22.在具体实现中，服务器可以根据预设的中心衍射级次的图案和预设的图像匹配算法，在第一图像中进行匹配搜索，确定与预设的中心衍射级次的图案匹配值最高的图像块为目标图案，该目标图案即第一图像的中心衍射级次的图案，其中，预设的中心衍射级次的图案可以由本领域的技术人员基于待测试的投影设备的品牌型号进行设置，预设的图像匹配算法可以由本领域的技术人员根据实际需要进行设置。
23.在一个例子中，确定目标图案，即根据第一图像、预设的中心衍射级次的图案和预设的图像匹配算法进行图像匹配的过程可以如图2所示，服务器确定第一图像的中间位置的图像块与预设的中心衍射级次的图案匹配值最高，服务器将该图像块确定为目标图案。
24.在一个例子中，预设的图像匹配算法可以为尺度不变特征变换匹配算法（scale-invariant feature transform，简称：sift）、函数链神经网络匹配算法（functional link artificial neural network，简称：flann）、块匹配算法等。
25.在一个例子中，预设的图像匹配算法为相位相关算法（phase-correlation），相位相关算法是一种旋转匹配算法，考虑到待分割的投影图像不仅会出现畸变，其在角度上也会出现一定的偏移，使用相位相关算法不仅可以在水平竖直方向上进行图像匹配，还可以自动增加角度进行旋转方向的图像匹配，即服务器基于预设的中心衍射级次的图案在第一图像中进行旋转匹配，确定目标图案，并且在确定目标图案后，可以根据确定出的目标图案和预设的中心衍射级次的图案，确定并输出旋转角度，这样确定出的目标图案更加符合实际情况，即确定出的第一图像的中心衍射级次的图案更加准确。
26.在一个例子中，确定目标图案，即基于预设的中心衍射级次的图案在第一图像中进行旋转图像匹配的过程可以如图3所示，服务器对预设的中心衍射级次的图案进行各种角度的旋转后，再去第一图像中进行搜索，寻找匹配值最高的图像块作为目标图案。
27.步骤102，按照预设的衍射级次个数对目标图案进行拓展，得到第二图像。
28.具体而言，服务器在第一图像中确定出目标图案后，可以按照预设的衍射级次个数对目标图案进行拓展，得到第二图像，第二图像即无畸变且已知衍射级次的分割结果的投影图像，目标图案即第二图像的中心衍射级次，其中，预设的衍射级次个数可以由本领域的技术人员基于投影产品需求进行设置。
29.在一个例子中，预设的衍射级次个数为3*3，即总共9个衍射级次，目标图案即中心衍射级次，服务器需要向四周拓展出其他8个衍射级次，服务器以目标图案为中心，分别向上、下、左、右、左上、左下、右上和右下复制一个目标图案，将这9个目标图案拼接得到第二图像，第二图像可以如图4所示，共包括9个衍射级次，设中心衍射级次为（0，0）衍射级次，其余8个衍射级次以（0，0）衍射级次右边的衍射级次为起点，逆时针旋转分别为（0，1）衍射级次、（1，1）衍射级次、（1，0）衍射级次、（-1，1）衍射级次、（-1，0）衍射级次、（-1，-1）衍射级次、（0，-1）衍射级次和（1，-1）衍射级次。
30.在另一个例子中，预设的衍射级次个数为10*7，即总共70个衍射级次，目标图案即中心衍射级次，服务器需要以目标图案为中心，向四周方向拓展出其他69个衍射级次。
31.步骤103，在第二图像中确定第二关键点，并在第一图像中确定与第二关键点对应的第一关键点。
32.具体而言，服务器生成第二图像后，可以在第二图像中选择若干第二关键点，并在第一图像中确定出与第二关键点对应的第一关键点。
33.在一个例子中，考虑到第二图像为矩形，服务器可以选定第二图像的四个顶点为第二关键点，并在第一图像中找到与这四个顶点对应的点作为第一关键点。
34.在另一个例子中，为了使后续衍射级次分割具有极高的精确度，服务器可以对将第二图像的所有边缘点都选定为第二关键点，并在第一图像中找到与这些边缘点对应的点作为第一关键点。
35.步骤104，根据第二关键点的坐标和第一关键点的坐标构建畸变模型。
36.在具体实现中，服务器确定第二关键点和与第二关键点对应的第一关键点后，可以根据第二关键点的坐标和第一关键点的坐标构建畸变模型，比如通过设未知参数的方式构建第二关键点与第一关键点之间的变换关系，基于第二关键点的坐标和第一关键点的坐标求解这些未知参数，从而得到畸变模型，再比如使用与搭建的初始畸变模型，服务器将足够多的第二关键点的坐标和与第二关键点对应的第一关键点的坐标输入至初始畸变模型中，对初始畸变模型进行迭代训练，直至训练完成，得到成熟的畸变模型。
37.步骤105，根据第二图像的分割结果和畸变模型，对第一图像进行衍射级次分割。
38.具体而言，服务器获得畸变模型后，可以根据第二图像的衍射级次分割结果和构建的畸变模型，对第一图像进行衍射级次分割。
39.在一个例子中，服务器可以将某个第二图像的衍射级次的图案中的所有点的坐标都输入至畸变模型中，得到若干期望点的坐标，服务器将这些期望点进行连通，即可得到该衍射级次在第一图像中的位置，从而实现对第一图像的衍射级次分割。
40.本实施例，服务器根据待分割的投影图像即第一图像、预设的中心衍射级次的图案和预设的图像匹配算法，确定出第一图像的中心衍射级次的图案并作为目标图案，按照预设的衍射级次个数对目标图案进行拓展，得到无畸变且已知衍射级次分割结果的投影图像即第二图像，随后在第二图像中确定第二关键点，并在第一图像中确定与第二关键点对应的第一关键点，再根据第二关键点的坐标和第一关键点的坐标构建畸变模型，最后根据第二图像的衍射级次的分割结果和构建的畸变模型，对第一图像进行衍射级次分割，相较于固定投影图像区域，然后取图像中某个区域的投影图案进行分析的技术方案而言，本技术的实施例不需要精密的工装配合，无需严格规定投影设备的doe的投影成像角度和安装位置，只需在待分割的投影图像中找到中心衍射级次的图案，用待分割的投影图像的中心衍射级次的图案拓展出无畸变的投影图像，拓展出的图像的衍射级次的分割是已知的，服务器根据待分割的投影图像和拓展出的投影图像确定出畸变关系，对拓展出的图像的衍射级次的分割进行畸变，即可准确、快速地对doe投影图像进行衍射级次分割，从而为投影设备的产品质量管控提供科学的数据参考。
41.在一个实施例中，服务器确定的第二关键点为n个，第一关键点也为n个，n为大于1的整数，服务器根据第二关键点的坐标和第一关键点的坐标构建畸变模型，可以通过如图5所示的各步骤实现，具体包括：步骤201，依次将各第二关键点作为目标第二关键点，根据预设的m个未知参数、目标第二关键点的坐标、以及与目标第二关键点对应的第一关键点的坐标，构建方程。
42.具体而言，本技术的实施例采用对应关系参数拟合的方式构建畸变模型，服务器确定若干第二关键点和若干第一关键点后，可以遍历各第二关键点，依次将各第二关键点作为目标第二关键点，并根据预设的m个未知参数、目标第二关键点的坐标、以及与目标第二关键点对应的第一关键点的坐标，构建方程，其中，m为小于n的整数，既保证未知参数的数量小于已知点对的数量，否则后续无法求出未知参数。
43.在一个例子中，未知参数的数量为5个，即预设了第一未知参数、第二未知参数、第三未知参数、第四未知参数和第五未知参数，故服务器确定的第二关键点的数量至少为6个，服务器根据预设的m个未知参数、目标第二关键点的坐标、以及与目标第二关键点对应的第一关键点的坐标，构建方程，可以通过以下公式表示：xd=xu（1 k1*x
u2
k2*y
u2
k3*x
uyu
k4*xu k5*yu）yd=yu（1 k1*x
u2
k2*y
u2
k3*x
uyu
k4*xu k5*yu）式中，（xu, yu）为目标第二关键点的坐标，（xd, yd）为与目标第二关键点对应的第一关键点的坐标，k1为第一未知参数，k2为第二未知参数，k3为第三未知参数，k4为第四未知参数，k5为第五未知参数。
44.步骤202，联立构建的n个方程，组成超定方程组。
45.具体而言，根据n个第二关键点的坐标和与第二关键点对应的第一关键点的坐标可以构建n个方程，服务器联立构建的n个方程，由于已知点对的数量大于未知参数的数量，服务器联立的n个方程共同组成一个超定方程组，即方程个数大于未知量个数的方程组。
46.步骤203，使用最小二乘法求解超定方程组中的m个未知参数，得到畸变模型。
47.具体而言，超定方程组没有精确解，服务器可以使用最小二乘法求超定方程组的最小二乘解，从而解出超定方程组中的m个未知参数，得到畸变模型。
48.本实施例，所述第一关键点为n个，所述第二关键点为n个，所述n为大于1的整数，所述根据所述第二关键点的坐标和所述第一关键点的坐标构建畸变模型，包括：依次将各所述第二关键点作为目标第二关键点，根据预设的m个未知参数、所述目标第二关键点的坐标、以及与所述目标第二关键点对应的第一关键点的坐标，构建方程；其中，m为小于n的整数；联立构建的n个方程，组成超定方程组；使用最小二乘法求解所述超定方程组中的m个未知参数，得到畸变模型，考虑到待分割的投影图像在各个方向上均存在一定的畸变，但畸变规律通常是相同的，因此，确定第二图像上的第二关键点与第一图像上的第一关键点之间的畸变关系，即可在一定程度上代表两张图的畸变关系，本技术的实施例选定n个关键点，使用m个参数来拟合畸变关系，并要求n大于m，即构建超定方程组，求最小二乘解，这样求解出的参数构成的畸变模型可以更准确、科学、合理地表征第一图像较第二图像的畸变程度。
49.在一个实施例中，第二图像为矩形，服务器确定的第二关键点包括第二角点和第二中点，第二角点为第二图像的四个顶点，第二中点为第二图像的四条边的中点，服务器在第一图像中确定与第二关键点对应的第一关键点，可以通过如图6所示的各步骤实现，具体如下：步骤301，对第一图像进行边缘检测，确定第一图像的边缘位置。
50.具体而言，服务器可以根据预设的边缘检测算法，对第一图像进行边缘检测，确定第一图像的边缘位置。
51.在一个例子中，服务器对第一图像进行边缘检测时，可以先对第一图像进行连续化处理，得到连续化的第一图像，连续化处理包括但不限于高斯模糊、形态学腐蚀和形态学膨胀等，服务器得到连续化的第一图像后，再根据预设的边缘提取算子（如canny算子等），对连续化的第一图像进行边缘检测，确定连续化的第一图像的边缘位置，考虑到待分割的投影图像的边缘可能会存在毛边、不光滑的现象，直接进行边缘检测，确定出的边缘位置不够准确，本技术的实施例先对第一图像进行高斯模糊、形态学腐蚀、形态学膨胀等连续化处理，使得第一图像变得平整、光滑，再对连续化的第一图像进行边缘检测，从而确定出更加准确的边缘位置。
52.步骤302，搜索边缘位置中左上点、左下点、右上点和右下点，得到与各第二角点分别对应的各第一角点。
53.具体而言，第二角点即第二图像的四个顶点，这四个顶点即使畸变后也一定位于第一图像的边缘位置中的最角落位置，因此服务器搜索边缘位置中的左上点、左下点、右上点和右下点，即可得到与各第二角点分别对应的各第一角点。
54.步骤303，以第一图像的中心为基准做水平线和铅直线，确定水平线与边缘位置的交点和铅直线与所述边缘位置的交点，得到与各第二中点分别对应的各第一中点。
55.具体而言，第二中点为第二图像的四条边的中点，中点的畸变程度比较小，考虑到畸变关系，服务器以第一图像的中心为基准分别做一条水平线和一条铅直线，确定水平线与边缘位置的交点和铅直线与边缘位置的交点，共得到四个交点，这四个交点即与各第二中点分别对应的各第一中点。
56.在一个例子中，第二角点、第一角点、第二中点和第一中点的分布示意图可以如图7所示，第二图像中的点a、点b、点c和点d即四个第二角点，第二图像中的点e、点f、点g和点h即四个第二中点，第一图像中的点a、点b、点c和点d即四个第一角点，第一图像中的点e、点
f、点g和点h即四个第一中点。
57.在一个例子中，预设的图像匹配算法为相位相关算法，即服务器在进行图像匹配时采用了旋转匹配，第一图像带有一定的旋转角度，服务器在旋转匹配时，可以根据确定出的目标图案和预设的中心衍射级次的图案确定旋转角度，因此服务器在确定第一中点时，可以第一图像的中心为基准分别做一条水平线和一条铅直线，并根据确定出的旋转角度分别对水平线和铅直线进行旋转，确定旋转后的水平线与边缘位置的交点和旋转后的铅直线与边缘位置的交点，共得到四个交点，这四个交点即与各第二中点分别对应的各第一中点，第一图像具有旋转角度时，第二角点、第一角点、第二中点和第一中点的分布可以如图8所示。
58.本实施例，所述第二图像为矩形，所述第二关键点包括第二角点和第二中点，所述第二角点为所述第二图像的四个顶点，所述第二中点为所述第二图像的四条边的中点，所述在所述第一图像中确定与所述第二关键点对应的第一关键点，包括：对所述第一图像进行边缘检测，确定所述第一图像的边缘位置；搜索所述边缘位置中左上点、左下点、右上点和右下点，得到与各所述第二角点分别对应的各第一角点；以所述第一图像的中心为基准做水平线和铅直线，确定所述水平线与所述边缘位置的交点和所述铅直线与所述边缘位置的交点，得到与各所述第二中点分别对应的各第一中点，按照畸变规律，角点的畸变较大，而中点畸变实际比较小，因此本技术选定八个关键点，即四个角点和四个中点，基于四个角点和四个中点确定出的畸变模型更加科学、准确。
59.在一个实施例中，服务器根据第二图像的分割结果和畸变模型，对第一图像进行衍射级次分割，可以通过如图9所示的各步骤实现，具体包括：步骤401，依次将第二图像的衍射级次作为目标衍射级次，确定目标衍射级次的图案的各边缘点的坐标。
60.步骤402，将目标衍射级次的图案的各边缘点的坐标输入至畸变模型，得到第一图像上的目标衍射级次的各分割点的坐标。
61.具体而言，考虑到衍射级次的图案内部的点即使发生畸变也不会超出畸变后的边缘，因此只需要确定衍射级次的图案的边缘点畸变后的坐标，即可在第一图像中确定出该衍射级次对应的区域，服务器依次将第二图像的各衍射级次作为目标衍射级次，确定出目标衍射级次的图案的各边缘点的坐标，服务器将目标衍射级次的图案的各边缘点的坐标输入至畸变模型，得到第一图像上的目标衍射级次的各分割点的坐标，各分割点即目标衍射级次的图案的各边缘点在所述第一图像中对应的点，而就是目标衍射级次在第一图像上的边界。
62.步骤403，根据各分割点的坐标对第一图像进行衍射级次分割，得到第一图像的目标衍射级次的图案。
63.具体而言，服务器得到第一图像上的目标衍射级次的各分割点的坐标后，可以根据各分割点的坐标对第一图像进行衍射级次分割，即将各分割点连接，从而得到第一图像的目标衍射级次的图案，最终实现对第一图像的衍射级次分割，这大大提升了衍射级次分割的精度和效率。
64.上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围
内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
65.本技术另一个实施例涉及一种图像分割系统，下面对本实施例的图像分割系统的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须，本实施例的图像分割系统的示意图可以如图10所示，包括：待测试的投影设备51，相机52和分割设备53，分割设备53包括匹配模块531、拓展模块532、畸变模型构建模块533和执行模块534。
66.待测试的投影设备51用于生成待分割的投影图像。
67.相机52用于拍摄待分割的投影图像得到第一图像，并将第一图像发送至分割设备53。
68.匹配模块531用于根据第一图像、预设的中心衍射级次的图案和预设的图像匹配算法，确定目标图案，其中，目标图案为第一图像的中心衍射级次的图案。
69.拓展模块532用于按照预设的衍射级次个数对目标图案进行拓展，得到第二图像，其中，第二图像为无畸变且已知衍射级次的分割结果的投影图像。
70.畸变模型构建模块533用于在第二图像中确定第二关键点，在第一图像中确定与第二关键点对应的第一关键点，并根据第二关键点的坐标和第一关键点的坐标构建畸变模型。
71.执行模块534用于根据第二图像的衍射级次的分割结果和畸变模型，对第一图像进行衍射级次分割。
72.值得一提的是，本实施例中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本技术的创新部分，本实施例中并没有将与解决本技术所提出的技术问题关系不太密切的单元引入，但这并不表明本实施例中不存在其它的单元。
73.本技术另一个实施例涉及一种电子设备，如图11所示，包括：至少一个处理器601；以及，与所述至少一个处理器601通信连接的存储器602；其中，所述存储器602存储有可被所述至少一个处理器601执行的指令，所述指令被所述至少一个处理器601执行，以使所述至少一个处理器601能够执行上述各实施例中的图像分割方法。
74.其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
75.处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
76.本技术另一个实施例涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
77.即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备（可以是单片机，芯片等）或处理器（processor）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（read-only memory，简称：rom）、随机存取存储器（random access memory，简称：ram）、磁碟或者光盘等各种可以存储程序代码的介质。
78.本领域的普通技术人员可以理解，上述各实施例是实现本技术的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本技术的精神和范围。